最年輕嘉賓的數模與科創雙線突圍

導語

AI 工具越來越強，一個人就能幹完過去一個小團隊的活。可真正把 AI 項目做成生意的，卻仍然寥寥無幾。門檻到底是變低了，還是變高了？

本期嘉賓是「進取派會客廳」開播以來最年輕的一位：華北電力大學人工智慧專業大二學生李明楊。他一邊拿下北京市數學建模競賽獎項，一邊作為項目負責人推進國家級大創課題——給垃圾分類設備裝上「火眼金睛」，用光譜資訊識別可回收垃圾。他的結論很樸素：大模型再強，也讀不懂一線老師傅手裡的隱性經驗。

這場對話從數模比賽聊到 AI 落地，再聊到真金白銀的商業平衡：在校學生和創業者該怎麼看待 AI 的門檻、行業的暗數據，以及技術能力與商業結果之間的博弈。

以下為對話實錄整理。

讓嘉賓先做個自我介紹

Tina： 話不多說，歡迎今天的嘉賓明楊，請先給大家做一個自我介紹。

李明楊： 大家好，我是李明楊，目前是華北電力大學控制與計算機學院人工智慧專業的大二學生。非常高興能參加今天的「AI 進取派」。我在學業上成績一直保持在年級前 10，也獲得過北京市數學建模大賽的省級獎項。但比起分數，我更關注技術如何真正解決現實問題，今天想重點和大家分享我目前深耕的一個領域：AI 與環保科技的交叉應用。

李明楊： 具體來說，我作為項目負責人，正帶領團隊推進一個國家級大創課題——基於光譜資訊的可回收垃圾識別系統。這個項目的出發點很實在：傳統攝影機在垃圾分類時，遇到破損、油污或者顏色相近的垃圾就很容易「懵」，誤判率比較高。我們的方案是給機器裝上一雙「火眼金睛」，引入光譜分析技術，讓設備不僅能看清形狀，還能看透物質的化學成分。我們用光譜資訊做廣域的快速篩查，再用高精度光譜儀對複雜區域做定點覆核，兩種數據融合決策，主要目的是為垃圾中轉站或者分揀流水線提供一套在線實時的識別方案。

李明楊： 在這個過程中，我主要負責技術調研、硬體選型，還有算法框架設計，同時統籌能源動力、數理等跨專業的同學一起來推進這個項目。這段經歷讓我對 AI 在真實場景落地的難點和邏輯有了不少體會。今天特別高興能來這個平台交流。

數模到底是什麼

Tina： 我先替離開校園很多年的自己請教一下，數模到底是什麼意思？它是一種專業，還是一種工具？

李明楊： 數模就是數學建模。比賽的形式是給你一些偏實際的問題，一套題通常設四個小問，層層遞進往下推。它不僅給問題，還給一些貼近現實的數據，你要拿這些數據做分析，再把問題抽象成模型——用類似公式的方式把模型搭起來，然後解決問題、預測問題。

Tina： 我理解它像是一種把方法可視化的東西，把解決方案數據化的東西，可以這麼理解嗎？

李明楊： 可以。

AI 時代真正稀缺的是什麼

Tina： 最近大家討論很多：AI 工具越來越強，創業門檻好像一下子變低了，一個人能完成過去小團隊的工作量。但真正能跑通、做成生意的項目並沒有想象中那麼多。你覺得 AI 創業真正稀缺的東西是什麼？

李明楊： 我作為大二學生還沒真正走進社會創業，但通過做大創項目和數模比賽，有一些自己的觀察。現在一個人借 AI 就能完成過去一個團隊的工作。數模比賽里，以前需要建模手、編程手、論文手三個人合力才能完成，現在有了 AI，只要你對模型有個大概想法，AI 就能沿着你的想法把模型完善，再自己編程，有時甚至能按你的思路直接跑完全流程，最後以論文形式輸出。以前三天三個人還要熬夜才能勉強完成，現在只要你有想法，跟隊友一起合力，一個上午就能完成。

李明楊： 大創項目也是一樣。要完成我剛才說的那套系統，光靠三個人遠遠不夠——系統搭建要聯動計算機學院的同學，數據分析要找數理學院的同學，一個項目不止靠自己一個團隊，還要聯動其他團隊協作推進。但現在有了 AI 輔助，系統搭建和數據分析都能靠它完成，人力物力需求大大減少。所以 AI 創業的門檻確實越來越低。

李明楊： 但我覺得，AI 創業真正稀缺的可能不是模型本身，也不是算力，而是對真實場景的深度理解，還有高質量的場景數據。

Tina： 對。

李明楊： 以及願意沉下去積累這些數據的耐心。就拿我負責的大創項目——基於光譜資訊的可回收垃圾識別系統來說，一開始我們想得很簡單：用光譜技術識別，精度肯定比傳統攝影機高。但我們真的去調研垃圾中轉站、跟一線工人交流之後，發現真實場景遠比實驗室複雜得多。垃圾是破碎的，會被油污染，有的還相互粘連；傳送帶高速運動，環境混亂且不穩定。這時候單純追求算法識別準確率沒什麼意義，因為數據本身就是不乾淨的。我們不得不重新設計數據採集方案，甚至考慮在硬體層面主動增加照明、做抗干擾處理。

李明楊： 這讓我意識到，很多 AI 項目難以落地，就是因為團隊缺乏對傳統行業隱性認識的敬畏。我們去線下調研時，看到工人處理垃圾時有不同的優先級，還要考慮設備維護和實際成本——這些經驗不會寫在論文里，必須蹲在現場和從業者深度溝通才能了解。

李明楊： 所以我認為 AI 創業真正稀缺的是一種「跨界翻譯官」：既能讀懂 AI，又能聽懂行業語言，還能把業務邏輯轉化為技術可解決的問題。同時稀缺的，是那些願意做髒活累活去積累場景數據的人。大模型再強大，沒有垂直的場景、精細的數據，也做不出真正解決生意痛點的產品。這也是我作為學生創業者一直提醒自己的：不要只顧沉迷調研，多去聞一下一線垃圾的味道。

那個 bug，是在現場發現的

Tina： 太有意思了。你發現這個 bug 是在項目初期還是中期？是什麼契機讓你發現垃圾很難識別？

李明楊： 在中期。我們本來在實驗室里做好了整個系統，導師說，如果你真想去跟商業企業聯動，還得去現實場景，於是聯繫了廊坊一家垃圾分類廠讓我們去測試。結果就暴露出很多問題：垃圾被污染，識別率很低；高速傳送帶上數據處理延遲很高；環境昏暗，沒有實驗室那麼明亮。諸如此類，發現了不少問題。

Tina： 所以還是得深入一線，多聞聞一線垃圾的味道。這一點很值得大家思考：很多人以為有模型、有工具就等於有項目，但實際上缺口並不在工具本身。

行業隱性經驗：AI 讀不懂老師傅的手感

Tina： 順着這個話題往下：現在大家都在提「AI + 行業」，很多創業者興沖衝進入傳統行業之後，才發現裡面藏着大量書本和文檔里沒寫出來的隱性經驗。在你看來，AI 進入一個傳統行業之後，真正需要被重新理解的是什麼？

李明楊： 這個問題戳中了我們當時很多痛點。做大創項目時，我們就被這些隱性經驗結結實實上了一課。我覺得 AI 進入傳統行業之後，真正需要重新理解的是問題本身的定義權——什麼才叫把問題解決了，這個標準往往掌握在一線老師傅手裡，而不是在論文和操作手冊里。

李明楊： 舉個例子，我們一開始只設計光譜識別算法，目標很明確：提高材料分類準確率。但實驗里分數跑得再高，到了垃圾中轉站現場就翻車了。後來我們跟着有十幾年分揀經驗的老師傅學習，發現他判斷一個物體能不能回收，不只是看材料——他會捏一下材料的硬度，敲一下聽聲音，甚至聞一下氣味。比如一個被重油污覆蓋的塑料瓶，光譜儀可能因為表面被污染而誤判，老師傅摸一摸就知道裡面是 PET 還是 PC。這些手感、耳感、體感，就是典型的隱性經驗，沒有寫進任何系統，卻直接決定了分揀的效率和安全。

李明楊： 那次之後我意識到，AI 進入傳統行業不能只是拿着一個技術去改造一個場景，而是要重新理解人機協作的邊界。老師傅的隱性經驗短期內 AI 還是替代不了，所以我們要重新設計系統：不是讓 AI 完全取代人，而是讓 AI 做它擅長的事——快速掃描、初級篩選、標記可疑物品，把需要深度判斷的情況交給人類專家。同時，專家的決策會反過來作為強化學習的獎勵信號，讓 AI 慢慢學會那些隱性規則。

李明楊： 從跨專業協作的角度我也有體會。我們團隊有能源與動力工程的同學，他們提醒我：垃圾回收站傳送帶的速度、震動，環境的濕度，都會直接影響光譜成像的質量——這些物理世界的約束，寫代碼的時候根本想不到。

李明楊： 所以真正需要被重新理解的，還有傳統行業里技術落地的系統性。AI 不是孤立的算法，它必須嵌入現有的設備、流程，甚至工人的操作習慣。總的下來我認為，AI 進入傳統行業最缺的認知轉變，是從「用 AI 顛覆一個行業」轉變為「用 AI 讀懂一個行業」。我們要尊重那些沒有被寫進系統的隱性經驗，把它們當作寶貴的暗數據去挖掘、去融合，而不是無視它們。這也是我在項目中最大的成長：我們的技術再酷再牛，也要聽懂一線的人需要什麼。

Tina： 你說的這句——不是讓 AI 去取代人類，而是讓它去做它擅長的事情——非常金句。行業隱性知識確實是 AI 落地的一個攔路虎。很多技術背景的創業者容易陷入一個誤區：埋頭打磨模型、優化產品能力。可客戶根本不關心你的底層技術多牛，企業客戶最關心的非常直白——能不能幫我降本、增效、多賺米。

技術是手段，不是目的

Tina： 技術能力和商業結果之間，創業者該怎麼平衡？

李明楊： 這個問題我們當時很有感觸，因為整個團隊差點掉進這個坑。作為學生，做項目很容易有一種技術英雄主義：覺得模型越複雜、指標越漂亮就越牛。但在做大創光譜垃圾分類時，我們被現實狠狠教育了。

李明楊： 企業客戶根本不關心你用的是 Transformer 還是 CNN，他們只問三個問題：能多快？裝下來準不準？能省多少米？

李明楊： 我覺得平衡點就一個：用最低的技術成本，解決最核心的商業痛點。技術能力是手段，不是目的。舉個例子，我們項目一開始追求極致準確率，計劃用高精度工業光譜相機做全覆蓋掃描。一調研才發現，企業要裝這種相機，單台就要好幾萬，而且高精度意味著數據處理延遲高，在高速傳送帶上根本跑不起來。

李明楊： 後來我們調整思路，改用低分辨率光譜相機做廣域初篩，再用高精度光譜儀對可疑目標定點覆核。這套協同方案下來，雖然沒有原來那麼高大上，但成本降到原來的三分之一，速度反而更快，準確率依然滿足分揀線要求。我感覺這個妥協不是技術上的退步，而是商業上的進步——我們把有限的算力花在了刀刃上。

李明楊： 還有一次，我們沉迷於優化算法，想讓模型識別幾百種材料。去垃圾中轉站聊了一圈才發現，客戶真正頭疼的垃圾就那麼幾類：混合塑料、黑塑料，還有一些被污染的材料。於是我們回去決定砍掉大量低頻材料識別，把精力集中在那幾類核心場景上，提高魯棒性。系統測試下來，客戶反而更滿意——模型識別的材料沒那麼多，誤判率降低了，工人干預次數少了，整體流水線效率也就上去了。

李明楊： 所以我認為 AI 創業者要找到平衡，必須做到「約束條件下的最優解」思維。就像我們參加數學建模比賽，資源永遠是有限的，以前沒有 AI 的時候時間永遠不夠，我們必須找到那個最快、夠用就好的方案。商業世界更是如此——完美是優秀的敵人，因為客戶要的是夠快、夠准、夠便宜，而不是技術上的極致。我的體會就是：先站在客戶流水線上想問題，再回到實驗室寫代碼。技術能力決定你能做什麼，商業結果決定你應該做什麼。作為學生創業者，我們最該修煉的就是從技術思維轉換到生意思維。

穿越周期的創業者，區別在哪

Tina： AI 熱點迭代很快，今天流行 Agent，明天又有新模型，大量的人追着熱點跑，潮水退去之後剩下的創業者寥寥無幾。未來能真正穿越 AI 浪潮、形成長期價值的創業者，和今天追逐熱點的人，最大區別是什麼？在參賽過程中你怎麼區分這兩類人？

李明楊： 追浪潮的創業者，看到最新的生產力可能略帶盲目性。AI 潮水一代接一代，他們會覺得模型越牛，就用這些模型去想創業——但這好像只是一種技術上的追求。如果真要長期穩定下來，我們還是得從問題出發，而不是從技術出發。

李明楊： 我們以前做數模，現在整個 AI 幾乎把數模比賽都顛覆過來了。很多人認為數模比賽就是看誰用的模型更厲害，誰就能拿大獎。但整場比賽下來你會發現，用很厲害 AI 寫的論文有幾千篇，你雖然用很厲害的模型可以拿到國三甚至國二，但真正拿國一的人，他們的論文不是 AI 寫的。區別就在於：國二、國三用的建模模型，因為 AI 的數據庫是按人來想的，他們只會用那種「網紅模型」；而國一幾乎每個作品，模型都是自己純純粹粹想出來的，不會像 AI 一樣去學那些人類網紅模型，他們是真正從問題出發。

李明楊： 真正的創新突破、拿到國一，還是要依靠人自己從 0 到 1 的突破，只有這樣我覺得才能長久穩定下來。技術浪潮就像潮汐，升起之後馬上又退下去。如果你想真正留在這片海灘上，還是要回歸本質。

Tina： 確實是這樣，還是回歸到你剛才那句話：我們不能讓 AI 替代我們做所有事，而是讓它做它擅長的事。

參與者到管理者

Tina： 你既是數模比賽的獲獎者，又是大創項目的負責人。這兩個身份之間的轉換，你的感受是什麼？

李明楊： 數模對我來說是個人作為一個工具，在某個領域獨自去突破、去改變，這樣才能獲獎。大創則不一樣，它不只是一把工具，而是你作為一個實驗室里的管理者，去協同、去聯動、去調控，把各個部門凝聚在一起，往一個方向突破。這不只考驗個人能力，更考驗協調團隊合作的能力——隊友里有些可能很厲害，有些比較懶散甚至不肯動，這時候你就要發揮協調能力，把他們號召起來往一個方向努力。更多的是一種從參與者到管理者的轉變。

Tina： 那你更喜歡哪個角色？

李明楊： 數模比賽能感受到那種緊張刺激，一個人突破的緊張刺激感。但到大創上面，你會發現需要很多交際能力去協調同學。比如我們團隊自己做可能做不完，就要聯動計算機團隊、數理團隊一起去協調，還有跨專業，還有一種類似外交的溝通性——你要讓別人聽得懂你在做什麼，讓他們理解，才能更好地參與進來。數模的話只有自己，在腦子裡就感覺可以做完；到了整個項目里，你不僅要解決問題，還要更好地表達問題，讓別人理解你的問題，才能更好地參與進來。

Tina： 這反而鍛煉了不同的能力，讓你能更加全方位地復盤，用不同的視角去看待同一個問題。

人工智慧專業是父母選的，還是自己選的

Tina： 最後一個問題，不用緊張。你人工智慧專業是父母給你選的，還是你自己選的？

李明楊： 是我自己選的。我大一併不屬於人工智慧專業，而是在數理學院讀資訊與計算科學。後來我想，現在 AI 這門方向在興起，同學也經常跟我聊智能體方面的事，我對 AI 很感興趣，於是大一就開始努力，把績點持續往上提到年級前 10，到大二轉入了人工智慧專業。

Tina： 所以你是看到了人工智慧專業的前景，加上自己也喜歡，就慢慢轉了過來。

復盤：四個核心

Tina： 今天聊下來，從一個年輕的 AI 科創參與者身上，從數模訓練的邏輯，到 AI 落地行業的認知，再到對 AI 創業的思考，給我們提供了非常獨特的視角。簡單復盤幾個核心：

Tina： 第一，AI 創業門檻降低，稀缺的不是工具，而是我們對需求的理解，以及深入一線的行動力。第二，AI 落地傳統行業，最難抓取的是行業的隱性經驗，要深入一線、走近現場。第三，技術永遠服務於商業價值，我們要在有限的框架內做出最大的改善。第四，能穿越周期的創業者，不是盲目追逐熱點，而是真正在思考、能夠用 AI 去做它擅長的事，而不是讓 AI 全部取代自己的人。

Tina： 今天第 18 期進取派會客廳——最年輕的嘉賓的數模與科創雙線突圍，到這裡就接近尾聲了。再次感謝嘉賓明陽的精彩分享，也感謝所有觀眾的陪伴。我是 Tina，我們下期進取派會客廳再見。

（本文為直播實錄整理，僅作交流學習用途；個別產品與模型表述以實際情況為準。）

來源：金色財經

發佈者對本文章的內容承擔全部責任
在投資加密貨幣前，請務必深入研究，理解相關風險，並謹慎評估自己的風險承受能力。不要因為短期高回報的誘惑而忽視潛在的重大損失。